Warda BOUTEGRABET

Développer des modèles d’intelligence artificielle pour le diagnostic automatisé des pathologies hépatiques, à partir de données issues de l’imagerie IRM multiparamétrique et de lames histologiques numériques, afin d'améliorer la classification des tumeurs et adénomes du foie :

• Recherche bibliographique et revue des méthodes existantes (histomique, DL).
• Prétraitement des lames : découpage en patchs, normalisation
• Extraction de features à l’aide de ResNest-50 et CTransPath.
• Utilisation d’un modèle deep learning weakly-supervised (CLAM) pour gérer le faible niveau d’annotation.
• Évaluation des performances : cross-validation, analyse des courbes ROC/AUC
• Renforcer la rigueur scientifique, participer à des projets d'équipe, démontrant une capacité à collaborer dans des environnements pluridisciplinaires.

Histopathologie spectrale du cancer du colique : Développement d’outils chimiométriques pour le traitement automatisé des images tissulaires en spectroscopie infra-rouge.

Principales réalisations :

• Revue de littérature sur la spectroscopie IR en oncologie.
• Définition du protocole expérimental et critères d’inclusion/exclusion des échantillons.
• Collecte d’images hyperspectrales (FTIR) sur tissus humains et animaux.
• Analyse chimiometrique des données spectrale via la modélisation des spectres (e.g., Extended Multiplicative Signal Correction - EMSC) pour corriger les variations indésirables et isoler le signal biologique d’intérêt.
• Analyse exploratoire et réduction de dimensions des données spectrales avec ACP, t-SNE pour l'extraire les caractéristiques pertinentes.
• Développement d’une méthode multivariée reproductible et automatisée pour éliminer les pixels de paraffine afin de ne conserver que les zones tissulaires en utilisant des approches de l’apprentissage automatique (Clustering KMeans, indice de validité, indice de Jaccard…).
• Mise en œuvre d'une approche innovative de sélection de variables non supervisée, en utilisant les algorithmes génétiques (AG) combinés au clustering KM.
• Adaptabilité et efficacité dans l'apprentissage de nouveaux concepts.
• Collaboration entre les deux équipes en communiquant, en partageant les idées et en mutualisant les efforts.

Principales missions :

• Animation de Travaux Pratiques (TP) pour les étudiants de Master Biologie-Santé, axés sur l'imagerie infrarouge et son application en santé.
• Formation à l'acquisition des données spectrale et initiation aux notions fondamentales d'analyse d'images hyper-spectrales sous Matlab dans le contexte de la santé et des sciences de la vie.

Développement d’outils radiomiques spécifiques pour le traitement d’images IRM morphologiques et fonctionnelles afin de quantifier et évaluer les données pour la prédiction de récidive biochimique du cancer de la prostate après radiothérapie.

Missions et réalisations :

• Analyse des images IRM à partir de volumes 3D et extraction de caractéristiques pertinentes : caractéristiques calculées à partir des images T2 (Les statistiques de premier ordre, textures Haralick de deuxième ordre et dimension fractale.
• Analyse statistique des données d'images via l’analyse en composante principale (ACP) pour la visualisation et réduction de la dimension des données (les données cliniques sur le patient et données d’imagerie).
• Modélisation supervisée par Support Vector Machines (SVM) et Réseaux de neurones artificiels (ANN) pour la classification des patients en deux classes récidive ou non.

Analyse d'images d'endo-microscopie confocale pour la gradation des lésions tumorales au contexte préclinique :

Missions et réalisations :

1. développement d'un outil d'analyse d'image automatique pour classer les images interprétables de ceux non interprétables.

• Prétraitement des images compris conversion de format HDR en format tif,16bit, rogner les images et identification de régions d’intérêts (ROI).
• Extraction de descripteurs statistiques de 1er ordre, saturation, rehaussement de structures tubulaires (filtre Frangi Vesselness).
• Sélection de features pertinents via réduction de dimensions (ACP) et classification les images interprétables des non analysables via (test uniparametre par Neyman Person/détection multiparamétriques par apprentissage automatique (SVM).

2. Mise en place d’un outil de diagnostic automatique de l'état pathologique des tissus, en utilisant une approche par graphe pour classifier l’inflammation, du carcinome, ou du tissu sain :

• Segmentation de la structure de l’image (seuillage adaptatif),
• Extraction de squelette de l’image binaire par la méthode de ligne de partage des eux (LPE).
• Extraction des nœuds du graphe et analyse statistique de graphe pour la classification d’état pathologique de chaque tissu.
• Développement de modèles de classification et étude statistique (Matlab, FIJI).

Présentation dé résultats àOptDiag 2016 sous forme de poster.